Současné trendy ukazují, že se český pojišťovací trh stále více věnuje svým datům - z pohledu organizace, zpracování a zejména jejich praktického využití. A to jak pro podporu obchodu, tak pro lepší odhad míry rizika, kterou na sebe pojišťovny přebírají od klientů. Podívejme se na několik konkrétních úloh založených na datech, které podporují řízení rizik, obchod či obojí.
Detekce podvodů a automatické likvidace
Při výplatě pojistné události pojišťovna zjišťuje či odhaduje oprávněnost nároku pojistného plnění a identifikuje případná rizika podvodu s cílem minimalizovat uměle navýšené škody či plnění za škody, které pojistka nekryje. Pojišťovna může každou pojistnou událost libovolně detailně zkoumat. Ze zákona však má limit, do kdy musí vyplatit peníze, pokud neprokáže, že na toto plnění klient neměl nárok. Proto je pro pojišťovny velmi důležité detekovat podvody co nejdříve.
Co dělat v situaci, že se jedná o malé škody, které často způsobí administrativní náklady vyšší, než je vlastní vyplacená částka? V těchto případech může být efektivní co největší zjednodušení likvidace těchto škod, příp. některé pojistné události označené jako málo rizikové likvidovat automaticky.
Oběma těmto úlohám - detekci podvodů a automatické likvidaci - zpravidla napomáhají analýzy dat a systémy detekce vytvořené na základě výsledků těchto analýz. Pojišťovny při likvidaci škodních událostí obvykle používají dva samostatné procesy - jeden z nich detekuje pojistné podvody, druhý určuje možnost automatické likvidace. To je dáno jak organizačním členěním (odpovědností jednotlivých oddělení), tak pokročilostí těchto systémů.
Předchozí řádky přivádějí k otázce, proč si pojišťovny nepořídí systém, který bude schopný pro každou (opravdu každou) pojistnou událost dostatečně spolehlivě odhadnout riziko podvodu či navýšení škody. Podle něj pak zvolí další postup, zda likvidovat automaticky, zkontrolovat, či rovnou vyšetřovat. To by bylo samozřejmě optimální, avšak hovoříme o stále ještě příliš vzdálené budoucnosti. Současné trendy nejprve směřují ke zdokonalování obou procesů - jak systému pro detekci podvodů, tak systému pro automatické likvidace - jež spočívá ve využití výsledků základních analýz na vlastních datech a později i pokročilých analýz a data miningu.
Systém pro podporu detekce podvodných pojistných událostí by měl být nastaven tak, aby podporoval co nejefektivnější proces vyšetřování a aby pojišťovně co nejvíce uchránil hodnoty. Přestože dnes pojišťovny likvidují jisté procento pojistných událostí automaticky, jsou v této oblasti ještě velké rezervy. Automatická likvidace významně vyššího procenta by znamenala výraznou celkovou úsporu nákladů. Ovšem za předpokladu, že pojišťovny budou schopny kvalifikovaně a lépe odhadnout, jaké nahlášené pojistné události skrývají jen minimální riziko, a oddělit je od těch rizikovějších.
Při zvýšení procenta automatických likvidací se zvyšuje objem vyplácených peněz (odpadá totiž prověření, že k pojistné události vůbec došlo, a proto občas propadne tímto sítem i nějaký malý podvod či neoprávněný nárok). Na druhé straně automatická likvidace značně sníží náklady na likvidaci škodních událostí.
Cílem pojišťoven tedy je vytvořit dostatečně dobrý systém, který určí, co automaticky likvidovat a co ne, a současně nastaví optimální hranici, kolik procent pojistných událostí (těch s minimálním rizikem) automaticky likvidovat. Toto procento by pochopitelně mělo respektovat riziko neověření pojistné události tak, aby suma ušetřená na nákladech na likvidaci byla nižší než zvýšený objem výplat plnění.
Snahy pojišťoven v oblastech automatické likvidace a v detekci podvodů je mohou výrazně posunout ke snížení té části výdajů, kterou představují náklady na likvidace či zbytečně vyplacená plnění za podvodné jednání. První z nich, náklady na likvidaci, lze změřit a druhý, tedy podvody, ne.
Segmentace sazeb
Na zastávkách autobusů, v restauracích, ale i na ulici můžeme slyšet útržky hovorů: „Proč mám platit za pojištění tolik peněz, když jsem 15 let neměl žádnou škodu?" či „Mně se pojištění dlouhodobě vyplácí, dostávám více, než platím. V průměru jednou za dva roky dostanu peníze a většinou je to víc, než platím..." nebo „Mně se pojistka nevyplatí, je moc drahá. Kdybych ji platil, už bych desetinásobně přeplatil cenu (vybavení domácnosti, staršího automobilu)..." Jsou sazby pojištění nastaveny dobře, či špatně? A kdy se změní?
Sazby ovlivňují dva základní faktory - obchodní (čili nabídka a poptávka) a produktový neboli rizikový (neboli způsob výpočtu a nastavení sazeb). Změna v konstrukci sazeb (obvykle přidávání parametrů, podle kterých se sazba určuje - např. stáří pojištěného předmětu) se nazývá segmentací. V případě nesegmentovaného trhu zaplatí všichni klienti za určitý druh pojištění (u dané pojišťovny) stejně. Pokud však nějaká pojišťovna zjistí, že vybraný segment klientů je výrazně méně rizikový (výplaty plnění z pojistných událostí jsou např. na úrovni pouhých 20 % z průměru, což znamená, že mají o 80 % méně škod) a má relativně malý podíl na trhu, pak se může snažit tento segment získat.
Segmentace má své pozitivní i negativní důsledky. Pojišťovna, která začne segmentovat jako první, zaznamená v první fázi významně zvýšené zisky - a to až do doby, než začnou stejnou strategii používat i ostatní. Také platí, že segmentace znamená přiblížení ke spravedlivým sazbám (podle skutečné rizikovosti). V českých podmínkách se rozehrála tato metoda zejména na poli povinného ručení, kde lidé z menších měst či se staršími auty platí méně. Její další uplatnění je v pojištění domácností a nemovitostí, cestovním pojištění, ale stále i v pojištění vozidel - a to jak v havarijním, tak ve formě bonusu a malusu na povinném ručení.
Segmentace má však i své stinné stránky. Pokud pojišťovna začne segmentovat ve velkém, pak se zaměřuje jen na jednu část trhu a druhou odmítá. Tím se z ní stává pojišťovna jen pro vybrané klienty, pro daný druh pojištění. A pokud je to pro každý druh pojištění jiná skupina klientů, může nastat problém s tím, kdo je vlastně ideální klient, jak prodávat současným zákazníkům další produkty apod.
Další stinnou stránkou je dovedení segmentací do extrému. Pokud by se na trhu rozpoutala silná „bitva" o ziskové zákazníky a pojišťovny se předháněly se svými segmentacemi, dojdou ve svém důsledku až do extrémní situace, kdy se sazby pro různé klienty budou výrazně lišit (rozdíly v cenách pojištění pro různé klienty mohou být obrovské) a pojištění se přiblíží pojištění na první riziko. Tato situace nastala na americkém trhu. Klienti tamních pojišťoven, kteří měli v minulosti škodu, platili několikanásobně vyšší částku než ti, kteří žádnou škodu neměli. To potom vedlo k situacím, kdy klienti své menší, ale někdy i větší škody vůbec nehlásili. Např. pokud měl klient sjednané pojištění domácnosti a voda mu vyplavila celé přízemí, pak v případě, že byl schopen přízemí opravit bez čerpání pojistného plnění, škodu ani nehlásil. Pokud by ji totiž nahlásil, dostal by sice vyplacené peníze, ale během několika let by na další pojistce zaplatil mnohonásobně více, než je tato částka.
Na jedné straně se tím dostáváme ke skutečnému principu pojištění jako přenosu velkého rizika, přičemž pojištěný dostane peníze pouze v případě, že není schopen sám škodu pokrýt, na druhé straně se tak snižuje objem pojistného trhu jako celku, jelikož se již nepojišťují malé škody.
Analýza obchodní sítě
Obchodní síť (síť agentů, síť získatelů) je klíčovým prvkem pro získávání nových pojistných smluv a správu stávajících. Obchodní síť motivují především provize. Jak ale prodávat více? Jaké typy obchodních zástupců (agentů) pojišťovna má? Jak je motivovat? Bude u každého fungovat stejný postup? Odpovědi na tyto otázky může opět poskytnout analýza a segmentace obchodní sítě.
Všimněme si například segmentu „Only one product". To je segment agentů, kteří se naučili prodávat jeden jediný produkt a jsou v tom dobří. Pro tento segment může být velmi efektivní motivační přístup v možnosti stavět na tom, co umějí (na tom jednom produktu) a silně je motivovat i k prodeji dalších produktů. U úplně nových agentů, příp. u příležitostných agentů, je dobré očekávat, že jimi získaní klienti nemusí mít správné informace o produktech a tomu lze přizpůsobit i odpovědi na call centru (podpora klientského přístupu).
Velmi přínosné jsou rovněž analýzy pojednávající, jak se liší úspěšný nováček od neúspěšného a co je tím klíčovým rozdílem. Na jejich základě pak lze připravovat např. školicí programy tak, aby uspělo více nováčků. Některé pojišťovny jsou dokonce v situaci, kdy jen málokterý nový agent má šanci na úspěch, ale z celkových čísel za obchodní síť tento problém není vidět. Objeví se totiž až po několika letech, kdy produkce obchodní sítě pomalu ale jistě klesá. Jde o skrytou časovanou bombu, která může kdykoliv vybuchnout.
Vytěžením dat k vyšší konkurenceschopnosti
Pojišťovny se stále více zabývají využitím dat pro podporu svého byznysu. To jim dává do rukou silné zbraně a možnost konkurenční výhody. V některých oblastech je už situace tak daleko, že naopak nevyužití vlastních dat k segmentaci a analýzám znamená riziko velkých ztrát - ať již v podobě peněz či tržního podílu. Uvedené příklady byly jen ukázkou problematiky, které pojišťovny řeší a které mohou pomoci k posílení jejich pozice na trhu a k získání konkurenční výhody.
Autor je manažerem oddělení Data Miningu ve společnosti Adastra.
PŘEDPLATNÉ
ČLÁNKY DO MAILU